Taula de continguts:
- Pas 1: Obteniu PCB per al vostre projecte
- Pas 2: Quant al Jetson Nano
- Pas 3: Introducció: parts
- Pas 4: Preparació de la targeta SD
- Pas 5: arrencar el Jetson Nano
- Pas 6: Instal·lació de les demostracions:
- Pas 7: més passos
Vídeo: Nvidia Jetson Nano Tutorial - Primera mirada amb IA i ML: 7 passos
2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:12
Ei, què passa nois! Akarsh aquí des de CETech.
Avui anem a fer una ullada a un nou SBC de Nvidia que és el Jetson Nano, el Jetson Nano està centrat en tècniques d’intel·ligència artificial com el reconeixement d’imatges, etc. Primer arrencarem aquest bebè i després mirarem com podem operar sobre ell. Mireu el vídeo anterior que us pot deixar les coses més clares:) Ara comencem.
Pas 1: Obteniu PCB per al vostre projecte
Heu de comprovar PCBGOGO per demanar PCB en línia de manera econòmica.
Obteniu 10 PCB de bona qualitat fabricats i enviats a la vostra porta per 5 $ i una mica d’enviament. També obtindreu un descompte en l’enviament de la primera comanda. PCBGOGO té la capacitat de muntatge i fabricació de plantilles de PCB, a més de mantenir uns bons estàndards de qualitat.
Comproveu-los si necessiteu fabricar o muntar PCBs.
Pas 2: Quant al Jetson Nano
Algunes especificacions:
- GPU: GPU NVIDIA Maxwell ™ de 128 nuclis
- CPU: CPU de quatre nuclis ARM® A57
- Memòria: LPDDR4 de 4 GB de 64 bits
- Emmagatzematge: flaix eMMC 5.1 de 16 GB
- Codificador de vídeo: 4K @ 30 (H.264 / H.265)
- Descodificador de vídeo: 4K @ 60 (H.264 / H.265)
- Càmera: 12 carrils (3 × 4 o 4 × 2) MIPI CSI-2 DPHY 1,1 (1,5 Gbps)
- Connectivitat: Gigabit Ethernet
- Pantalla: HDMI 2.0 o DP1.2 | eDP 1.4 | DSI (1x2)
- UPHY: 1x1 / 2/4 PCIE, 1xUSB3.0, 3xUSB2.0
- E / S: 1xSDIO / 2xSPI / 6xI2C / 2xI2S / GPIO
- Dimensió: 100 x 80 x 29 mm / 3,94x3,15x1,14"
Pas 3: Introducció: parts
Per començar i arrencar el Jetson Nano, necessiteu els següents programes:
- El Jetson Nano: enllaç
- Pantalla HDMI, he utilitzat una pantalla tàctil de 7 polzades de DFRobot
- Teclat i ratolí, vaig obtenir un combinat sense fils de DFRobot
- Targeta SD d'almenys 16 GB i classe 10
- Una font d'alimentació micro USB de 5V 2Amp com a mínim
- Cable Ethernet o una targeta WiFi per afegir accés a Internet al Jetson Nano
Pas 4: Preparació de la targeta SD
1) Descarregueu la imatge de la targeta SD del kit de desenvolupament Jetson Nano i observeu on s’ha desat a l’ordinador.
2) Baixeu-vos un programari intermitent d’imatges per al vostre sistema operatiu, he utilitzat l’eina Win32 Disk imager a Windows per fer flash la targeta SD amb la imatge descarregada al pas 1.
3) Connecteu la targeta SD a l'ordinador / ordinador portàtil i, a continuació, utilitzeu l'eina intermitent de l'ordinador per flaixar la imatge descarregada a la targeta SD.
4) Un cop la imatge hagi flaixat a la targeta SD, la targeta ja es podrà inserir al Jetson Nano
Pas 5: arrencar el Jetson Nano
Un cop tots els cables estiguin connectats al Jetson i la font d'alimentació estigui engegada, veureu que els scripts de configuració s'executen a la pantalla.
Heu de seguir senzills passos de configuració com ara la configuració de l’àrea / idioma / hora i el sistema es reiniciarà per mostrar el logotip de Nvidia.
Pas 6: Instal·lació de les demostracions:
Primer, actualitzeu i actualitzeu el programari:
- sudo apt-get update
- s udo apt upgrade
Un cop fetes les actualitzacions, ara instal·larem la demostració de VisionWorks, per instal·lar-la primer hem de navegar a la carpeta que tingui l'script d'instal·lació mitjançant l'ordre següent:
cd / usr / share / visionworks / sources /
Hem de copiar l'script a la ubicació arrel i navegar fins a la ubicació arrel:
- ./install-samples.sh ~
- cd ~
A la carpeta arrel, trobareu la carpeta visionworks works dins de la qual heu d'executar l'ordre make.
- cd /VisionWorks-1.6-Samples/
- fer
Un cop executada l'ordre make, podeu anar al següent camí per executar les demostracions
- cd / bin / aarch64 / linux / release /
- ls
En aquesta carpeta, veureu les demostracions múltiples que podeu executar de la següent manera:
./nvx_demo_feature_tracker
Un cop executada l'ordre, veureu una finestra com la de les imatges.
Pas 7: més passos
Un cop fet això, podeu jugar amb altres funcions de la Jetson, avançant afegirem un mòdul de càmera Raspberry Pi al Jetson i farem alguns projectes de reconeixement d’imatges.
Estigueu atent al meu canal per obtenir més informació.
Recomanat:
Transferir aprenentatge amb NVIDIA JetBot: diversió amb cons de trànsit: 6 passos
Transferir aprenentatge amb NVIDIA JetBot: diversió amb cons de trànsit: ensenyeu al vostre robot a trobar un camí en un laberint de cons de trànsit mitjançant la càmera i el model d’aprenentatge profund d’última generació
Per instal·lar el programari Arduino (IDE) al kit de desenvolupament Jetson Nano: 3 passos
Per instal·lar el programari Arduino (IDE) al Jetson Nano Developer Kit: necessiteu un Jetson Nano Developer Kit? Una connexió a Internet a la vostra placa Jetson mitjançant el connector Ethernet o una targeta wifi instal·lada
Introducció a RPLIDAR de baix cost amb Jetson Nano: 5 passos
Introducció a RPLIDAR de baix cost amb Jetson Nano: breu descripció La detecció i la distància de la llum (LiDAR) funciona de la mateixa manera que s’utilitzen telèmetres ultrasònics amb pols làser en lloc d’ones de so. Yandex, Uber, Waymo, etc., inverteixen molt en tecnologia LiDAR per als seus vehicles autònoms
Introducció al kit de desenvolupador NVIDIA Jetson Nano: 6 passos
Introducció al kit de desenvolupadors NVIDIA Jetson Nano: breu descripció general de Nvidia Jetson NanoJetson Nano Developer Kit és un petit i potent ordinador de placa única que us permet executar diverses xarxes neuronals en paral·lel per a aplicacions com la classificació d’imatges, la detecció d’objectes, la segmentació i la parla. pr
Tutorial de detecció d'objectes de robot quadruped Jetson Nano: 4 passos
Tutorial de detecció d'objectes de robots quadrupedats de Jetson Nano: Nvidia Jetson Nano és un kit de desenvolupament, que consta d'un SoM (System on Module) i una placa de suport de referència. Es dirigeix principalment a la creació de sistemes incrustats que requereixen una gran potència de processament per a l’aprenentatge automàtic, la visió automàtica i el vídeo